Fabr推动企业从“使用AI工具”走向“AI原生”，推进企业级AI原生协作平台落地

当不少企业还在增加AI工具、关注单点效率时，Fabr方博领航关注到：工具和Agent数量增加，并不会带来组织效率提升，相信很多在做AI转型的公司深有感受。若需求背景、历史决策和验证经验仍散落在会话、文档和不同系统中，单次任务的提速就很难转化为企业或者组织效率的提升。Fabr希望让这些工作过程信息持续沉淀，并成为后续人员和Agent的有效背景。

从团队研发痛点开始

项目的起源来自团队自身的研发实践。此前，Fabr团队拥有规模较大的技术团队，也较早引入了AI Coding工具，却很快发现了一个反常现象：单个开发人员写代码的速度变快了，项目整体交付效率却没有同比提升。

一项需求从提出到上线，中间还涉及需求澄清、设计决策、任务拆解、代码实现、测试和验收。相关信息分散在不同人员、工具与AI会话中，团队仍然需要反复解释背景、确认结果。参与的人和Agent越多，上下文传递带来的协作成本反而越明显。

Fabr最初就是为解决这一内部问题而开发的系统。团队希望让人员和Agent围绕同一项任务共享背景、协同推进，减少重复沟通和交接成本，提升团队交付效率。AI因此不只是帮助个人更快的写代码，也能参与完整的研发协作过程，持续掌握同一任务从需求背景、决策到代码、测试和验收的上下文。随着内部使用效果逐渐显现，团队进一步认识到，研发过程中形成的事实及其关联，是人员和Agent能够接续接力工作的基础。Fabr也由此从内部研发协作系统，逐步发展为基于FDM的企业级AI原生研发协作平台。

在Fabr自身团队的实践中，研发团队规模由约300人调整至67人，会议时间减少约60%，新员工熟悉项目并独立上手的时间缩短50%以上”，老员工离开后，已验证的项目经验仍可供团队继续查阅和复用。团队认为，这些变化伴随着FDM和人与Agent协作方式的调整发生：部分原本需要开会同步的背景可以沿任务查阅，人员与Agent的分工、结果验证也更清楚。

Fabr目前属于企业级AI应用与企业服务领域，首先面向计划引入AI Coding和Agent的中大型企业研发团队，后续计划延伸至更多依赖专业知识、复杂协作和持续判断的高智力工作场景。

Fabr核心团队的经历横跨企业战略、投资、基础软件研发和金融科技。CEO Kenneth曾从事企业战略、战略投资及数字化转型相关工作，拥有华为、贝恩、埃森哲和好未来等企业经历。CTO Ken曾参与Google Android早期核心研发及JIT等组件的设计与开发，并拥有量化技术、创业及大型研发团队管理经验。团队希望将技术研发能力与企业实际落地经验结合起来，解决Agent进入组织后的协作与管理问题。

Fabr于2026年初启动产品化，并在7月正式对外上线，目前处于商业化验证和规模化拓展阶段。

项目推进过程中，团队发现最大的挑战已经不再是产品研发和产品推广，而是企业对AI原生咨询与实施的需求增长较快。很多企业最初认为，引入模型、Agent或者AI工具就是完成AI原生转型；真正进入落地阶段后才发现，人与Agent如何分工协同、任务流程如何衔接、知识怎样持续更新、结果如何验证，都需要相应的方法和组织机制。

目前，Fabr已经将相关实践方法以及适用于不同行业和场景的配置方案做进产品配套。接下来需要解决的是交付能力的规模化：团队正通过客户分层、统一实施与验收标准，以及培养合作伙伴和客户内部实施人员等方式，减少对核心专家逐家陪跑的依赖，同时保证不同客户的落地质量。

让真实工作过程成为FDM企业全量模型

Fabr的核心技术是FDM（Fabric Domain Memory，企业全量模型），当前以企业研发全数据模型的形态落地。FDM不是新的通用大模型，而是接收企业真实工作中产生的任务、人机对话、需求变化、代码变更、工具调用、测试及交付结果，并保留信息的身份、时间和来源。在此基础上，FDM通过语义标注、偏序关系和确定性校验，识别信息之间的依赖、验证、冲突和取代关系，持续更新当前仍然有效的项目状态，让后来接手的人或Agent知道当前以什么为准、为什么调整、结果是否经过验证。当新的人员或Agent进入任务时，系统可以按照任务和权限提供相关、有效且带有来源依据的背景信息；新的分析、代码、测试和人工反馈，又会继续进入FDM。

与以文档存储和检索为主的知识库相比，FDM呈现的是工作过程及信息之间的关系，让一次任务形成的背景和判断能被后续工作继续使用。

FDM也不将企业经验绑定在某个模型或Agent上。模型可以升级或替换，人员也会发生流动，但企业已经形成的业务背景、工程规则、历史决策和验证经验仍然可以继续使用。新的人员和Agent不必重新认识整个项目，而是能够继承组织此前已经形成的判断。

除上下文供给外，Fabr还将任务、Token消耗、人员与Agent的执行过程、验证结果和最终交付关联起来。管理者不仅能够查看AI使用了多少资源，还可以进一步了解相关投入发生在哪项任务中、形成了什么结果，以及结果是否经过验证。

软件研发是FDM首先进入的场景，因为研发任务中的需求、决策、代码、测试和交付之间关系清晰，结果也更容易验证。但企业全量模型的应用并不局限于研发。

FDM的长期方向，是将这些能力拓展到更多高智力工作。投研、咨询、产品设计和金融分析、销售追踪等场景，同样需要保留结论形成时的事实、判断和验证过程。AI Coding只是Fabr完成验证的第一个场景，FDM希望服务的是更多人与Agent共同完成的工作。

从研发切入，拓展更多企业协作场景

目前，Fabr上线不足3月Fabr已在50多家大中型企业中开展合作、试点及方案推进，覆盖金融服务、软件与数字化服务、先进制造、医疗科技、教育科技等领域。客户关注的实际问题包括：1、项目交接时减少上下文断裂、2、让不同团队围绕同一套有效背景协作。3、将AI投入对应到具体任务和交付结果。

客户的初期反馈集中在项目交接和跨团队协作。接手成员可以沿着任务链路继续工作，减少从头梳理群聊和文档的时间，企业经验不会随人员流失，新员工也可以更快了解企业项目历史背景；不同部门围绕同一项任务及其上下文协作，也能减少重复确认，开会时间大大减少。Fabr同时将Token消耗关联到任务与交付结果，帮助企业看清AI资源投入发生在哪里，很多企业花费高额的AI成本去做AI转型却无法评估团队的使用效果。具体客户效果及具名案例，将在获得客户授权后进一步披露。

商业模式方面，Fabr不采用传统SaaS按席位订阅的收费方式。平台不收取席位费，而是按照Token实际使用量收取平台服务费。人员进入平台协作，只有在实际调用模型、消耗Token时，才产生相应的平台服务费用。这种模式降低了企业规模化使用AI的门槛，参与的人越多才能更好的体现Fabr协同工作的能力。当然随着企业接入的团队、Agent和任务数量增加，平台实际使用量会自然扩大，形成持续性收入。

Fabr团队认为，AI原生不只是部署更多模型和Agent，而是让企业在真实工作中形成的事实、判断和经验持续保留下来，形成一套持续更新的全量模型。每一次人与Agent的协作、每一个决策和每一项验证结果，都会成为企业的数据资产，经验资产，并为下一次执行提供依据。

接下来，Fabr一方面将继续推动现有企业合作进入更深入的使用阶段，形成经过验证的实施案例；另一方面，也计划在软件研发场景得到充分验证后，将FDM逐步延伸至更多高智力协作场景。AI Coding是Fabr目前完成验证的第一个入口。它更长期要回答的问题是：企业能否从零散使用AI工具，走向形成一套可以被人员和Agent共同继承、持续更新的AI原生工作方式。